A nehézségi erőtér meghatározása inverziós módszerekkel Fizikai geodézia és gravimetria MSc 2018/19
Miről lesz szó? inverziós módszerek a nehézségi erőtér paraméteres felbontása (bázisfüggvények, paraméterek) LKN paraméterbecslés az erőtér paraméteres szintézise
Az inverziós módszerek alapgondolata A nehézségi erőtér W(x) potenciálfüggvényét alkalmas B(x, xk) bázisfüggvények segítségével a következő alakban írjuk fel: W ( x )= c k B ( x,x k ) k a ck-k egyelőre ismeretlen inverziós együtthatók, amelyeket inverzióval határozunk meg
Az inverziós együtthatók meghatározása i-vel jelölt mérési pontokban ismerjük a W(xi) potenciál értékét és az xk pontok (bázispontok) helyzetét ismerve (túlhatározott) lineáris egyenletrendszert állíthatunk fel a ck együtthatók kiszámítására (inverzió) és optimális becslést végzünk (e(xi) eltérések normája minimális) W ( xi )+e( xi )= c k B( x i,x k ) k W Bc
Az inverziós együtthatók meghatározása ismeretlenek vektora: c = [c1, c2, ] a mérések vektora: W = [W(x1), W(x2), ] a bázisfüggvények mátrixa: B ( x1,x 1 ) B ( x1,x 2 ) B= B( x 2,x1 ) B( x 2,x 2 ) [ 2 2 e = Bc W =min T ] 1 T c=( B B ) B W
Szintézis A nehézségi erőtér W(x) potenciálfüggvényét tetszőleges x helyen a B(x, xk) bázisfüggvények segítségével kiszámíthatjuk: W ( x )= c k B ( x,x k ) k a ck-k a meghatározott inverziós együtthatók
Az inverziós megoldások különböző szempontjai A bázisfüggvények megválasztása Az együtthatók megválasztása gömbfüggvények (gömbi koordináták), speciálisan megválasztott függvények, pl. kovariancia függvény két- ill. háromváltozós polinomok (síkkoordináták) LKN kollokáció: pontbeli adatokhoz rendelt súlyok gömbi radiális bázisfüggvények súlyai (SRBF) Az alappontok megválasztása zérus helyzet (egy argumentum: B(x)) speciális pontrendszer (pl. Reuter-rács), vagy adatpontok (LKN kollokáció), vagy maszkonok (tömegpontok) optimális ponteloszlás becslése is az inverzió tárgya
Az inverziós megoldások különböző szempontjai A mérések megválasztása potenciálkülönbségek (geopotenciális érték) nehézségi rendellenességek függővonal-elhajlás összetevők Eötvös-tenzor elemei (második potenciál deriváltak) Az inverziós módszerek egyik nagy előnye, hogy bármilyen típusú mérést közvetlenül bevonhatunk a meghatározásba
Az inverziós módszerek előnyei Mindenfajta, nehézségi erőtérre vonatkozó mérés felhasználható Szabatos LKN kiegyenlítést végezhetünk a paraméterekre (inverziós együtthatókra) az adatok összes hibajellemzőjét figyelembe vehetjük a megoldás (becslés) az összes hibajellemzőt szolgáltatja az inverziós együtthatókra az együtthatókból levezetett bármilyen további mennyiség hibajellemzőit is meghatározhatjuk hibaterjedéssel
Az inverziós módszerek hátrányai Gyakran nagyméretű egyenletrendszer megoldásához vezet (főleg az LKN kollokáció) Gyakran szükséges a megoldás regularizálása a megoldandó egyenletrendszer rosszul kondicionált volta miatt a regularizációs paraméter gondos megválasztására van szükség a megfelelő paraméter helyes választásától függ a jó megoldás elérése (pl. α paraméter a Tikhonov-féle regularizáció esetén): T 1 T c=( B B+α I ) B W
Legkisebb négyzetes (LKN) kollokáció bázisfüggvény = kovariancia függvény bázispontok = mérési pontok a kovariancia függvény illeszkedik az erőtér statisztikai szerkezetéhez (fokvarianciák) a mérési pontok számával azonos számú ismeretlen együtthatót kell meghatározni (nagy a számításigény) nem mért pontokban becsüljük az erőtér valamely jellemzőjét: ez a LKN predikció probléma: a predikált erőtér kovariancia függvénye nem egyezik a felhasznált adatok kovariancia függvényével (= megtagadja saját modelljét )
Kovariancia függvény térben / felületen eloszló mennyiség (pl. Δg) statisztikai jellemzésére szolgál: Δg(φ, λ) Mi a Δg-k átlagos nagysága? (σ egységgömb, M{ } az átlagolás) 1 M { Δg }= Δg dσ =0 4π σ a ez a mérőszám nem jó szórásnégyzet (variancia) már megfelelő: 1 2 var { Δg } =M { Δg } = Δg dσ 4π σ 2
variancia négyzetgyöke a szórás rms { Δg }= var { Δg } = M { Δg 2 } pl. a teljes földfelszínre a Δg-k szórása ±35 mgal a variancia fogalmának általánosítása a kovariancia (autokovariancia) függvény : a Δg Δg' szorzat átlagos értéke a P és P' pontok r távolsága függvényében Δg C ( r )=cov r { Δg } =M { Δg Δg ' } r=pp' az r = 0 értékű kovariancia a variancia: Δg 2 { } { C (0 )=var Δg =M Δg }
Mit mutat a kovariancia függvény? a kovariancia függvény g és g statisztikai korrelációját méri, vagyis azt, hogy mennyire azonos előjelűek és nagyságúak egy adott r távolságban levő g értékek C(r) C0 C0 /2 ζ r
Hirvonen kovariancia függvénye C (r )= C0 1+(r / d )2 C0 = 337 mgal2, d = 40 km
Kovariancia függvény modellezése Az egyváltozós kovariancia függvényt általában bázisfüggvények rendszere (Pn Legendre polinomok) szerint haladó végtelen sorba fejtjük e sorfejtés együtthatói a σn fokvarianciák B( x,x k )= n= 0 2 n+1 R 2 r 4 πr n+ 1 ( ) σ n P n ( x,x k )
Más mérési típusok felhasználása a T potenciálzavarral (T = W U) függvénykapcsolatban álló mennyiségeket vizsgálunk: T N= γ N geoidmagasság Δg nehézségi rendellenességek (ξ, η) függővonal-elhajlások T 2 Δg= T r r 1 T ξ= γr ϑ 1 T η= γr sin ϑ λ
Magyarországi példák asztrogeodéziai geoidmegoldás számítása függővonal-elhajlás adatokból geoidszámítás gyors kollokációval nehézségi rendellenességekből nehézségi rendellenességek számítása Eötvös-inga mérésekből illesztett asztrogravimetriai, gradiometriai, GPS/szintezési kvázigeoid megoldás asztrogeodéziai és GPS/szintezési megoldás EGM2008-as geopotenciál modellel
Asztrogeodéziai geoid OGPS 340 szintezett pontján az illeszkedés ±14 cm-es szórással
Geoid gyors kollokációval
Nehézségi rendellenességek
HGTUB2007 magyarországi kvázigeoid megoldás illesztett asztrogravimetriai, gradiometriai, GPS/szintezési kvázigeoid megoldás GPM98CR / GGM02CB geopotenciális modell (720 fokig) felhasznált adatok: 6678 átlag szabadlevegő nehézségi rendellenesség 2 3 méretű blokkokra 276 (2 138) asztrogeodéziai függővonal elhajlás 7452 Eötvös-inga nehézségi gradiens összetevő 95 GPS/szintezési pont 267 EGG97 kvázigeoid magasság (az országon kívül) DTM adatok: SRTM3
Adatok
Adatok
Kovariancia függvények Térbeli logaritmikus kovariancia modell (Forsberg, 1987)
HGTUB2007 kvázigeoid undulációk 43.2 43 48.5 44.2 44.4 49 41 44 48 44 43.4 47.5 47 45.4 42.2 43.8 43.4 46.5 46 45.6 16 17 18 19 20 21 22
A kvázigeoidmegoldás illeszkedése az OGPSH pontjaira: ± 2.1 cm (eltérések szórása), ± 6 cm (max/min) az EUVN pontjaira (7 db): ± 4.2 cm (eltérések szórása)
Asztrogravimetriai és GPS/szintezésre illesztett megoldások eltérése GPS/szintezési problémák?
Horváth Tamás, FÖMI
5. Asztrogeodéziai és GPS/szintezési megoldás EGM2008 modellel Szűcs Eszter (2009) diplomamunkája felhasznált adatok: N 138 pontbeli (ξ, η) 340 szintezett OGPSH pontbeli unduláció EGM2008 geopoteciál modell (2160 fokig és rendig, 4 802 666 Cnm és Snm együttható ) számítása 2 3 felbontású rácsra
Az elkészült asztrogeodéziai megoldás
Probléma: LKN kollokáció túlzott simító hatása eredeti jel C. Kotsakis LKN kollokált jel
Erőtér modellezés gömbi radiális bázisfüggvényekkel Tetszőleges F erőtér mennyiség becslésének funkcionális modellje K F ( r i )+e(r i )= x k B (r i,r k ) k= 1 F(ri) mérés e(ri) mérési hibák (javítások) segítségével az xk inverziós paraméterek becsülhetők lineáris egyenletrendszer keletkezik ez akkor igaz, ha az rk bázisfüggvények helye adott szabályos rácson vagy szabálytalan ponteloszlásban ha az rk bázisfüggvények helye is ismeretlen, nemlineáris az egyenletrendszer
Gömbi radiális bázisfüggvények (SRBF) A nehézségi erőtér regionális modellezését teszik lehetővé lokalizált harmonikus függvények: N B( r i,r k )= max n=n min rk (2 n+1) ri n+ 1 ( ) bn P n ( ^r i r^ k ) rk hely és a bn együtthatók szabadon megválaszthatók rk = adatpontok és a bn = fokvarianciák: LKN kollokáció bn = 1 minden n-re: Shannon RBF tömegpontokkal (ún maszkon ) való erőtér modellezés szoros kapcsolatban vannak a gömbfüggvényekkel
Shannon RBF (Nmin = 200, Nmax = 700)
Reuter rács A gömbfelszínen homogén ponteloszlás A rács c paramétere a felbontást jellemzi
SRBF erőtér modellezés előnyei paraméterbecslés a mérési adatok teljes hibajellemzőinek figyelembe vételével, a kiegyenlítő számítások szigorú eszköztárával a lokális bázisfüggvények helyzete, távolsága, spektrális jellemzői adaptálhatók a rendelkezésre álló adatok felbontásához és jellemzőihez a bázisfüggvények xk paramétereiből közvetlenül gömbfüggvény együtthatókat kaphatunk (pl. fokvarianciák számíthatók!) különböző típusú erőtér adatok kombinálhatók (GPS, szintezés, geopotenciális értékek, nehézségi rendellenességek, függővonalelhajlás összetevők, Eötvös-inga mérések, mesterséges holdas mérések, GRACE, GOCE) az ismeretlenek száma azonos a bázisfüggvények számával (LKNK: az adatok számával azonos)
Regularizáció Tikhonov-féle regularizáció regularizációs tényező kiinduló becslése iteratív finomítás Cél: fizikailag értelmes megoldás meghatározása 2 2 2 2 e + Γc = Bc W + Γc =min
Miért szükséges a regularizáció? regularizációs tényező sajátérték száma
A mérések relatív súlyainak meghatározása A mérések relatív súlytényezőinek iteratív becslése VCE: Variance Component Estimation (Koch és Kusche, 2002) a regularizációs tényező is meghatározható súlytényezőként
A meghatározott paraméterek
A paraméterek kovariancia mátrixa
Bemenő adatok (összesen: 154 477) Eötvös-inga mérések vízszintes és görbületi gradiensek nehézségi rendellenesség függővonalelhajlás GNSS/szintezés
Adatok redukciója EGM2008 EIGEN-6C4 (Förste et al. 2014) GOCE DIR R5 és EGM2008 ERTM2160 nagyfelbontású DTM az RTM redukció elvégzéséhez (Hirt et al. 2014)
Eredmények: paraméterek és hibáik SRBF paraméterek paraméterek relatív hibái 1633 paraméter
Eredmények: kvázigeoid becsült maradék kvázigeoid becsült kvázigeoid hibák
Eredmények: Wxz, Wyz modellezett része
GPM-ek összehasonlítása a három geopotenciális modellel kapott eredmények
Eltérések a VITEL 2014 pontokban nem cm pontos geoid
Potenciálfüggvény inverziós előállítása polinomokkal A meghatározandó W(x,y) potenciálfüggvényt kétváltozós Pn(x) polinom bázisfüggvények szerint bontjuk fel Bj együtthatókkal: P W ( x,y )= n B j Pi ( y )P l ( x ) n= 0 i=0 n (n+1 ) j= +i 2 l=n i
Hatványpolinomok és együtthatók n j i 0 0 0 1 1 0 2 1 l Pi ( y ) Pl ( x) 0 1 1 x 0 y Bj B0 B1 B2 2 3 0 2 4 1 1 2 x xy B3 B4 5 2 0 2 B5 y
GNSS/szintezés és függővonal-elhajlás mérések GNSS/szintezés: W ( x,y )=γ N ( x,y ) függővonal-elhajlás összetevők: W x ( x,y )= γ ξ ( x,y ) W y ( x,y )= γ η( x,y )
GNSS/szintezés és függővonal-elhajlás mérések GNSS/szintezés: P γ N ( x,y )= n B j Pi( y ) Pl ( x ) n= 0 i=0 függővonal-elhajlás P γ ξ ( x,y )= összetevők: n B j Pi ( n= 0 i= 0 P n γ η ( x,y )= B n= 0 i= 0 ' y ) Pl ( x ) ' j P i ( y )P l ( x )
Példa: inverziós teszt számítás
folytatás: alkalmazott szoftverek